- Laiko eilutės apibrėžimas kaip reguliariai renkamų duomenų rinkiniai, skirti numatyti būsimas tendencijas.
- Pagrindinių komponentų suskirstymas: tendencija, sezoniškumas, ciklai ir atsitiktinis triukšmas.
- Įvairių modeliavimo metodų palyginimas – nuo klasikinių ir ARIMA metodų iki gilaus mokymosi ir dirbtinio intelekto.
- Praktinis pritaikymas tokiuose svarbiuose sektoriuose kaip sveikatos apsauga, finansai, energetika ir elektroninė prekyba.
Tikriausiai susimąstėte, kaip kai kurios įmonės, regis, prognozuoja ateitį arba kaip tiksliai žino, kada bus produkto paklausos pikas. Tai ne magija ar krištolinis rutulys; jos naudoja laiko eilučių analizę – galingą įrankį, skirtą suprasti, kaip duomenys kinta laikui bėgant, ir numatyti, kas bus ateityje.
Iš esmės kalbame apie reguliariais intervalais renkamų duomenų, pavyzdžiui, apie dienos kritulius ar mėnesio pardavimus, rinkimą. Įdomu tai, kad mes nelaikome duomenų atskirais vienetais, o suprantame, kad praeitis tiesiogiai veikia ateitį , o tai leidžia mums aptikti modelius, kurie kitu atveju liktų nepastebėti atliekant duomenų gavybą.
Kaip struktūrizuotas laiko eilučių modelis?
Siekiant išvengti painiavos, svarbu suprasti, kad laiko eilutę galima suskirstyti į kelis komponentus. Pavyzdžiui, adityviniame modelyje sakome, kad vertė tam tikru momentu yra tendencijos , sezoniškumo ir atsitiktinumo suma . Jei elgesys yra sudėtingesnis, mums gali prireikti multiplikacinio modelio, kuriame šie elementai vienas kitą sustiprina.
- Tendencija: Tai bendra kryptis. Ji mums parodo, ar padėtis gerėja, blogėja, ar ilgainiui išliks stabili.
- Sezoniškumas: Tai periodiškai kartojasi modeliai. Pavyzdžiui, žiemą parduodama daugiau šalikų arba dienos metu didėja elektros energijos suvartojimas.
- Ciklas: Skirtingai nuo sezoniškumo, ciklai yra pasikartojimai, neturintys fiksuoto laikotarpio ir analizuojami iš platesnės perspektyvos.
- Atsitiktinis pokytis arba triukšmas: Tai tie nenuspėjami įvykiai. prieštaringi duomenys arba klaidos kurie nesilaiko jokių taisyklių ir apsunkina prognozavimą.
Klasifikavimo metodai ir metodikos
Priklausomai nuo to, ko ieškome, problemą galime spręsti iš skirtingų pusių. Norėti greito įvertinimo nėra tas pats, kas sukurti itin tikslią prognozavimo sistemą, pagrįstą dirbtiniu intelektu ir giliuoju dirbtinio intelekto samprotavimu.
Klasikiniai ir neparametriniai modeliai
Čia randame tokius įrankius kaip slenkamasis vidurkis, kuris naudojamas trumpalaikiams svyravimams įvertinti apskaičiuojant tam tikro intervalo vidurkį. Taip pat yra laiko išlyginimas, kuris suteikia daugiau svorio naujesniems duomenims, kad geriau atspindėtų dabartinę tendenciją. Šie metodai paprastai yra neparametriniai, nes jie sutelkia dėmesį į tendencijos įvertinimą, nedarant prielaidos, kad procesas turi fiksuotą struktūrą.
Autoregresyvūs integruoti modeliai (ARIMA)
Kai reikalai pasidaro rimtesni, pradedami naudoti ARIMA modeliai. Jie apjungia autoregresiją, diferenciaciją ir slenkamuosius vidurkius. Tai daug galingesnis metodas sudėtingiems duomenims ir nestacionarioms eilutėms tvarkyti, leidžiantis transformuoti duomenis tol, kol jie tampa stabilūs ir nuspėjami.
Gilus mokymasis ir neuroniniai tinklai
Dėl dirbtinio intelekto bumo dabar naudojame pasikartojančius neuroninius tinklus ir ilgalaikės trumpalaikės atminties (LTSM) modelius . Šios mašinos geba apdoroti didžiulius informacijos kiekius ir suprasti, kaip neuroniniai tinklai išmoksta atpažinti neįtikėtinai sudėtingus modelius, kurių klasikinis modelis net nepriartėtų atpažinti, nors, žinoma, jiems reikia daug daugiau skaičiavimo galios.
Išplėstinės techninės klasifikacijos
Siekiant išsamesnio techninio supratimo, specializuotoje literatūroje šie metodai skirstomi į kelias grupes. Viena vertus, yra dažnio srities metodai (pvz., bangelių analizė) ir laiko srities metodai (pvz., kryžminė koreliacija). Taip pat skiriami parametriniai metodai, kurie naudoja kelis parametrus proceso struktūrai apibūdinti, ir neparametriniai metodai, kurie nedaro prielaidos apie jokią išankstinę struktūrą.
Be to, galime aptarti tiesinius arba netiesinius modelius ir tai, ar jie yra vienmačiai, ar daugiamačiai , priklausomai nuo to, kiek kintamųjų analizuojame vienu metu. Kritinėse situacijose, tokiose kaip Covid-19 pandemija, patikimas laiko eilutėmis pagrįstas metodas kartais pasirodė esąs pranašesnis už konkrečius modelius (pvz., SIR modelį), nes jis leidžia atnaujinti prielaidas nedelsiant, atsižvelgiant į naujus duomenis.
Realaus pasaulio taikymas darbo vietoje
Šis modeliavimas yra ne tik matematinė teorija; jis taikomas sektoriuose, kuriuose apdorojama milijonai eurų ir gelbstimosi gyvybės. Sveikatos priežiūros sektoriuje jis padeda numatyti epidemijas ir valdyti ligoninių išteklius prieš krizę. Finansų ir prekybos pasaulyje tai yra pagrindinė priemonė akcijų kainoms ar kriptovaliutų judėjimui numatyti.
Energetikos sektoriuje labai svarbu išvengti išteklių švaistymo, apskaičiuojant žiemos energijos poreikius remiantis ankstesnių metų duomenimis . Kita vertus, e. prekyba ir rinkodara tai naudoja atsargoms optimizuoti ir reklamos kampanijoms, kurios pasiekia vartotojus būtent tada, kai jie ketina pirkti, kurti, taip pagerinant klientų patirtį ir lojalumą.
Galimybė paversti istorinius duomenis veiksmų planu leidžia bet kuriai organizacijai – nuo mažos internetinės parduotuvės iki vyriausybinės įstaigos – sumažinti riziką ir optimizuoti žmogiškųjų bei materialiųjų išteklių planavimą , rytojaus neapibrėžtumą paverčiant strategija, pagrįsta statistiniais ir skaičiavimo įrodymais.
